핵심 요약: AI 검색 최적화는 툴 결제가 아니라 검색 데이터에서 시작해야 한다. RAG의 쿼리 팬아웃이 프롬프트를 단일 의도 쿼리들로 분해해 웹을 검색하기 때문에, 시장 검색 키워드 의도에 대한 브랜드의 대응 현황이 곧 To-do가 된다.
AI 검색에서는 특히 유저는 중복 의도 질문에 summary 된 응답을 바라지만, 브랜드는 세분화된 각각의 initial 의도들에 답할 수 있어야 하기 때문입니다.
마케터로 AI 검색 내에서 우리 브랜드 가시성 최적화를 위해 To-do 를 찾기위한 방법을 “검색 데이터에서 시작해야합니다” 라고 말하는 이유는 바로 RAG 과정에서 다중의도 프롬프트를 각각 의도로 세분화 하는 쿼리팬아웃 기술 때문입니다.
LLM 모델에서 한계를 극복하기위한 RAG 방식을 통해 볼 수 있는 하나의 전략인데요.
- LLM 모델의 한계 — 데이터 편향, 신뢰성 부족, 문맥 이해의 한계, 출처 불분명 등등
- 그 한계를 극복하고 사실검증을 하기위한 RAG 기술 — 질의에 맞는 새로운 쿼리를 생성, 웹 문서 검색 등등
이 과정에서 유저의 프롬프트를 쿼리팬아웃 기술로 단일 의도의 쿼리들로 분해하고 조합하고 웹문서를 탐색하고 답변을 생성하는 것 입니다.
시장의 검색 키워드를 기반으로 한 유저경험여정에서 주요한 검색 키워드 의도들에 브랜드가 적절하게, 품질높은 답변을 제공하는지를 통해 자사의 현황을 확인해야하며, 앞으로의 To-do 가 나와야합니다.
웹상에서 고객 검색 의도에 대응하는 우리 브랜드 도메인 자산 품질이 낮거나, 외부 채널에서 부정적인 언급 혹은 잘못된 사실 언급은 AI 모델 답변에서 부정적인 브랜드 답변이 형성될 수 있습니다.
유저 한 명의 부정적인 의견이 AI 답변에 영향을 끼치는 것은 RAG 방식으로도 극복할 수 없는 AI 모델의 한계이기도합니다. 일부 우선순위에 따라 일부 노이즈는 감수해야합니다. 실무자의 리소스는 한정적이기 때문입니다.
AI는 검색에서 얻은 문서 정보를 기반으로+머신러닝 기반으로 답변을 생성하고 있습니다. 검색 데이터를 통해 대응할 의도가 보였다면, 각 의도가 가진 검색결과페이지는 어떤 문서들로 이루어졌는지, 검색엔진에 우리 문서가 잘 노출되고있는지 확인이 필요합니다. 챗지피티가 구글 검색결과를 보는것은 이미 잘 알려진 사실이고, 빙은 오래전부터 파트너쉽을 맺고있습니다.
최근 GEO 도깨비 방망이로 최적화 뚝딱! 상위 랭킹, 브랜드 언급 뚝딱! 나오는 마법의 테크니컬 요소나 성과 트래킹툴이 있다는 소문이 자자한데요. 김고은일지 린쟈오밍일지 쉽게 성공을 가져온다는 비슷비슷한 목소리에는 주의가 필요합니다.